案例3.2 视频教程

题目： 步骤1：在“项目模板”中找到周志华习题，打开第三章线性模型习题案例3.2，创建模板。
步骤2：在“CSV上传模块”上传data数据，一般为csv格式。这里用到的是西瓜数据4.0。
版。
步骤3：在全部组件列表搜索“标签编码”模块，拖到操作界面内，
因为上传的数据特征为“色泽 根蒂 敲声 纹理 脐部 触感”等，需要转化为数字，“标签编码（LabelEncoder）”可以通过设置“字段设置”中的“目标字段”，来把特征取值转化为数字。
依次拖出“标签编码”，在字段设置的目标字段中设置“色泽”“根蒂”“敲声”“纹理”“脐部”“触感”，即可将数据中的字符串进行编码。
步骤4：在全部组件列表中搜索“逻辑回归”LogisticRegression模块，在字段设置中输入“色泽，根蒂，敲声，纹理，脐部，触感，密度，含糖率”特征字段，标识字段为“好瓜”。参数不用改。
逻辑回归分类器 在多类情况下，multi_class选项设置为ovr，使用liblinear库，默认情况下正则化。
步骤5：在全部组件列表搜索“模型预测”模块，设置好特征字段和预测字段，输入待预测数据和经过逻辑回归训练完的模型，输出预测后的数据可直接查看。
步骤6：在全部组件列表搜索“分类评估”模块，分类评估组件，用于二分类模型预测结果的评估，在“评估指标”选项中选择accuracy_score，该函数可以计算正确预测的精度。在字段设置中的标签列输入“好瓜”，预测列为“prediction”。输出结果中的accuracy_score，true_negatives，false_positives,false_negatives,true_positives分别代表：
真阳性（True Positive，简称TP），也就是预计为真，实际上也为真的数据
假阳性（False Positive, 简称FP）,也就是预计为真，但实际上为假的数据。
假阴性(False Negative, 简称FN), 也就是预计为假，但实际上为真的数据
真阴性（True Negative, 简称TN），也就是预计为假，实际上也为假的数据。